Portfólio Thiago Gonçalves Custódio

Definição: HR analytics é o processo de coleta e análise de dados de Recursos Humanos (RH) para melhorar o desempenho da força de trabalho de uma organização. O processo também pode ser chamado de talent analytics, people analytics ou até workforce analytics. Esse método de análise de dados pega dados que são coletados rotineiramente pelo RH e os correlaciona com os objetivos de RH e organizacionais. Isso fornece evidências medidas de como as iniciativas de RH estão contribuindo para as metas e estratégias da organização.
Dados brutos por si só não fornecem insights úteis, seria como olhar para uma grande planilha cheia de números e palavras. Porém depois de organizados, comparados e analisados, esses dados brutos fornecem insights de expressiva relevância.
Objetivo: Neste projeto iremos utilizar a linguagem Python, para avaliar quais fatores mais causam atritos no ambiente de trabalho e criar um modelo de aprendizagem de máquina que possa prever se um funcionário pode ou não deixar a empresa, e qual a probabilidade de isso ocorrer.
A fonte de dados é inspirada nos dados públicos de HR Analytics disponibilizados pela IBM: IBM - Communities - Analytics.
O conjunto de dados consiste em 35 atributos e 1.470 registros. O atributo Attrition pode ser usado como o rótulo da classe, e possui como valores Yes representando Houve atrito / Funcionário deixou a Empresa e No representando Não houve atrito / Funcionário NÃO deixou a Empresa.
Começaremos nosso projeto, importando todas as bibliotecas necessárias, para a realização das fases iniciais de exploração, e transformação dos dados (Data Munging).
# Importando biblioteca, para ocultar Future Warnings.
import warnings
warnings.simplefilter(action = 'ignore', category = FutureWarning)
# Importando bibliotecas, para a manipulação e exploração dos conjuntos de dados.
import numpy as np
import pandas as pd
# Importando módulos utilitários para Análise Exploratória/Estatística,
# Pré-processamento/Feature Selection e Modelagem preditiva.
import utilAnaExplor as utlex
import utilScaleTransf as utlst
import utilPcaTransf as utlpca
import utilMachineLearning as utlml
# Importando bibliotecas, para balanceamento de classes e divisão do dataset.
import imblearn
from imblearn.over_sampling import SMOTE
from sklearn.model_selection import train_test_split
# Importando bibliotecas, para a etapa de modelagem preditiva.
from sklearn.feature_selection import SelectKBest, SelectPercentile, mutual_info_classif, f_classif, RFE, chi2
from mlxtend.feature_selection import SequentialFeatureSelector as SFS
import xgboost as xgb
from sklearn.ensemble import RandomForestClassifier, ExtraTreesClassifier, AdaBoostClassifier, GradientBoostingClassifier
import xgboost as xgb
from sklearn import tree
from sklearn.svm import SVC
from sklearn.naive_bayes import GaussianNB
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import KFold, cross_val_score
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.ensemble import RandomForestClassifier, ExtraTreesClassifier, AdaBoostClassifier, GradientBoostingClassifier
# Importando classe, para fazer a busca dos melhores parâmetros, a serem utilizados em cada um dos modelos treinados.
from sklearn.model_selection import GridSearchCV
# Importando classes, para calcular as métricas de avaliação dos modelos preditivos.
from sklearn.metrics import accuracy_score, balanced_accuracy_score, average_precision_score, precision_score
from sklearn.metrics import recall_score, f1_score, roc_auc_score, cohen_kappa_score
# Versões dos pacotes usados neste jupyter notebook
%reload_ext watermark
%watermark -a "Thiago Gonçalves Custódio" --iversions
# Carregando dados de treino.
dataTrain = pd.read_csv('datasets/HR-Employee-Attrition.csv')
# Exibindo as primeiras linhas do DataFrame.
dataTrain.head()
# Reordenando variável Target "Attrition" no DataFrame.
dataTrain = dataTrain[['Age','BusinessTravel','DailyRate','Department','DistanceFromHome','Education','EducationField','EmployeeCount','EmployeeNumber','EnvironmentSatisfaction','Gender','HourlyRate','JobInvolvement','JobLevel','JobRole','JobSatisfaction','MaritalStatus','MonthlyIncome','MonthlyRate','NumCompaniesWorked','Over18','OverTime','PercentSalaryHike','PerformanceRating','RelationshipSatisfaction','StandardHours','StockOptionLevel','TotalWorkingYears','TrainingTimesLastYear','WorkLifeBalance','YearsAtCompany','YearsInCurrentRole','YearsSinceLastPromotion','YearsWithCurrManager','Attrition']]
| Education | 1 'Below College', 2 'College', 3 'Bachelor', 4 'Master', 5 'Doctor' |
| EnvironmentSatisfaction | 1 'Low', 2 'Medium', 3 'High', 4 'Very High' |
| JobInvolvement | 1 'Low', 2 'Medium', 3 'High', 4 'Very High' |
| JobSatisfaction | 1 'Low', 2 'Medium', 3 'High', 4 'Very High' |
| PerformanceRating | 1 'Low', 2 'Good', 3 'Excellent', 4 'Outstanding' |
| RelationshipSatisfaction | 1 'Low', 2 'Medium', 3 'High', 4 'Very High' |
| WorkLifeBalance | 1 'Bad', 2 'Good', 3 'Better', 4 'Best' |
Iremos definir algumas funções, para facilitar a execução das etapas de Data Munging.
# Definindo uma função, para converter variáveis para o tipo categórico, e criar suas respectivas versões dummy.
def categoryToDummyVariables(data, columnsName):
# Criando um dicionário vazio.
newTypes = dict()
# Criando o nome das variáveis dummy.
newColumnsName = [n + '_dummy' for n in columnsName]
# Definindo que cada variável especificada, deve ser convertida para o tipo de dado categórico.
for i in range(0, len(columnsName)):
newTypes.update({columnsName[i]: 'category'})
# Convertendo o tipo de dado das variáveis especificadas.
data = data.astype (newTypes)
# Criando variáveis dummy.
for i in range(0, len(columnsName)):
data[newColumnsName[i]] = data[columnsName[i]].cat.codes
# Retornando o DataFrame modificado.
return data
# Definindo uma função, para realizar as tarefas de Data Munging, necessárias para o conjunto de dados em análise.
def organizeData(data):
# Criando variáveis dummy para o conjunto de dados.
data = categoryToDummyVariables(data = data, columnsName = data.select_dtypes(include = object).columns)
# Eliminando a variáveil EmployeeNumber do conjunto de dados.
data = data.drop(labels = 'EmployeeNumber', axis = 1)
# Retornando o DataFrame modificado.
return data
# Verificando as dimensões do dataset.
dataTrain.shape
Verificamos a existência de 35 variáveis, e 1.470 observações dentro do dataset.
# Verificando o número de registros duplicados.
dataTrain.duplicated().sum()
Detectamos 0 registros duplicados dentro do dataset.
# Verificando o número de NAs existentes dentro do dataset.
dataTrain.isna().sum().sum()
Detectamos 0 registros valor NA dentro do dataset.
# Verificando o tipo de dados das variáveis do dataset.
dataTrain.dtypes.value_counts()
Verificamos a existência de 35 variáveis sendo 26 numéricas, e 9 variáveis categóricas dentro do dataset.
# Contabilizando o número de valores únicos, em cada variável do dataset de treino.
info = dataTrain.nunique().sort_values()
# Determinando o tipo de dado, de cada uma das variáveis, do dataset de treino.
info = pd.DataFrame(info.values, index = info.index, columns = ['NUniques'])
# Atribuindo informações, sobre o tipo de dado das variáveis, ao DataFrame.
info['dtypes'] = dataTrain.dtypes
# Exibindo DataFrame.
info
Após a contabilização de valores únicos de cada variável percebemos features desnecessárias para nossas análises dentro do dataset. Por isso, iremos detectar e eliminar as variáveis que forem constantes.
# Contabilizando o número de valores únicos, em cada variável do dataset de treino.
dtNunique = dataTrain.nunique().sort_values()
As variáveis constantes, são aquelas que sempre apresentam o mesmo valor para todas as observações do conjunto de dados. Ou seja, o mesmo valor para todas as linhas do conjunto de dados. Esses recursos, não fornecem informações para que um modelo de aprendizado de máquina, consiga discriminar ou prever uma variável target. Por isso, iremos eliminá-las.
# Capturando as variáveis que são constantes, dentro do dataset de treino (são varíaveis que apresentam um único valor).
varsWithOneValue = dtNunique[dtNunique == 1]
varsWithOneValue
# Eliminando variáveis constantes, do dataset de treino.
dataTrain = dataTrain.drop(varsWithOneValue.index, axis = 1)
# Verificando as dimensões do dataset.
dataTrain.shape
Criaremos variáveis dummy para aquelas que forem do tipo categórico.
# Limpando e organizando o conjunto de dados de treino.
dataTrain = organizeData(data = dataTrain)
# Verificando o tipo de dados das variáveis do dataset.
dataTrain.dtypes.value_counts()
# Criando uma cópia do Dataset para análise exploratória
df = dataTrain.copy(deep=True)
# Atribuindo labels diferentes para as categorias das variáveis.
df['Education'].replace({ 1 : 'Below College', 2 : 'College', 3 : 'Bachelor', 4 : 'Master', 5 : 'Doctor'}, inplace=True)
df['EnvironmentSatisfaction'].replace({ 1 : 'Low', 2 : 'Medium', 3 : 'High', 4 : 'Very High'}, inplace=True)
df['JobInvolvement'].replace({ 1 : 'Low', 2 : 'Medium', 3 : 'High', 4 : 'Very High'}, inplace=True)
df['JobSatisfaction'].replace({ 1 : 'Low', 2 : 'Medium', 3 : 'High', 4 : 'Very High'}, inplace=True)
df['PerformanceRating'].replace({ 1 : 'Low', 2 : 'Good', 3 : 'Excellent', 4 : 'Outstanding'}, inplace=True)
df['RelationshipSatisfaction'].replace({ 1 : 'Low', 2 : 'Medium', 3 : 'High', 4 : 'Very High'}, inplace=True)
df['WorkLifeBalance'].replace({ 1 : 'Bad', 2 : 'Good', 3 : 'Better', 4 : 'Best'}, inplace=True)
# Alterando as variáveis para o tipo de dado categórico.
df['Education'] = df['Education'].astype('category')
df['EnvironmentSatisfaction'] = df['EnvironmentSatisfaction'].astype('category')
df['JobInvolvement'] = df['JobInvolvement'].astype('category')
df['JobSatisfaction'] = df['JobSatisfaction'].astype('category')
df['PerformanceRating'] = df['PerformanceRating'].astype('category')
df['RelationshipSatisfaction'] = df['RelationshipSatisfaction'].astype('category')
df['WorkLifeBalance'] = df['WorkLifeBalance'].astype('category')
# Definindo o nome da variável a ser analisada.
col = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'Attrition'
# Contabilizando a frequência absoluta, de cada categoria presente na variável especificada.
dataCounts = df[col].value_counts()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = dataCounts,
title = 'Frequência absoluta das categorias da Feature ' + col,
yaxis = 'Frequência Absoluta',
xaxis = label
)
# Plotando um gráfico de pizza para a variável especificada.
utlex.plotPie (
data = dataCounts,
title = 'Frequência relativa das categorias da feature ' + col
)
Funcionários que tiveram a variável Attrition representados pela label Yes equivalem a 16.1% do conjunto de dados, sendo assim nossa variável target está desbalanceada. Trataremos tal desvio mais a frente.
# Definindo o nome da variável a ser analisada.
col = 'Gender'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'Gender'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'MaritalStatus'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'MaritalStatus'
# Capturando variáveis especificadas do Dataset.
data = dataTrain[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'Department'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'Department'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'BusinessTravel'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'BusinessTravel'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'EducationField'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'EducationField'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'Education'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'Education'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'EnvironmentSatisfaction'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'EnvironmentSatisfaction'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'JobInvolvement'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'JobInvolvement'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'JobSatisfaction'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'JobSatisfaction'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'PerformanceRating'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'PerformanceRating'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'RelationshipSatisfaction'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'RelationshipSatisfaction'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Definindo o nome da variável a ser analisada.
col = 'WorkLifeBalance'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'WorkLifeBalance'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
O coeficente de Assimetria (Skewness), indica como os dados estão distribuídos, e para interpretar seu resultado podemos olhar a tabela a seguir:
| Índice de Assimetria | Descrição: |
|---|---|
| SK ≈ 0 | Os dados são simétricos. Tanto a cauda do lado direito, quanto a do lado esquerdo da função densidade de probabilidade, são iguais; |
| SK < 0 | A assimetria é negativa. A cauda do lado esquerdo da função densidade de probabilidade, é maior que a do lado direito e; |
| SK > 0 | A assimetria é positiva. A cauda do lado direito da função densidade de probabilidade, é maior que a do lado esquerdo. |
O coeficiente de Curtose (Kurtosis), é uma medida que caracteriza o achatamento da curva da função de distribuição, e para interpretar seu resultado, podemos olhar a tabela a seguir:
| Índice de Curtose | Descrição: |
|---|---|
| CK ≈ 0 | A distribuição é normal, e é chamada de Curtose Mesocúrtica; |
| CK < 0 | A Cauda é mais leve que a normal. Para um coeficiente de Curtose negativo, tem-se uma Curtose Platicúrtica e; |
| CK > 0 | A Cauda é mais pesada que a normal. Para um coeficiente de Curtose positivo, tem-se uma Curtose Leptocúrtica. |
# Definindo o nome da variável a ser analisada.
col = 'Age'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'Age'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Criando um gráfico de Densidade para a variável especificada.
utlex.plotDensity (
data = df[[col, target]],
title = 'Gráfico de Densidade Attrition by ' + col,
xaxis = label,
col = col,
target = target,
group = True
)
# Plotando um gráfico de boxplot para a variável especificada.
utlex.plotBoxplot (
data = df[[col, target]],
title = 'Boxplot Attrition by ' + col,
yaxis = label,
xaxis = target.capitalize(),
col = col,
target = target,
kind = 'groups'
)
# Calculando algumas estatísticas para a variável especificada.
utlex.varStats(col = col, data = df, target = target)
# Definindo o nome da variável a ser analisada.
col = 'YearsAtCompany'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'YearsAtCompany'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Criando um gráfico de Densidade para a variável especificada.
utlex.plotDensity (
data = df[[col, target]],
title = 'Gráfico de Densidade Attrition by ' + col,
xaxis = label,
col = col,
target = target,
group = True
)
# Plotando um gráfico de boxplot para a variável especificada.
utlex.plotBoxplot (
data = df[[col, target]],
title = 'Boxplot Attrition by ' + col,
yaxis = label,
xaxis = target.capitalize(),
col = col,
target = target,
kind = 'groups'
)
# Calculando algumas estatísticas para a variável especificada.
utlex.varStats(col = col, data = df, target = target)
# Definindo o nome da variável a ser analisada.
col = 'YearsInCurrentRole'
# Definindo o nome da variável Target.
target = 'Attrition'
# Definindo a descrição da variável nos gráficos.
label = 'YearsInCurrentRole'
# Capturando variáveis especificadas do Dataset.
data = df[[col, target]]
# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1
# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()
# Reorganizando DataFrame.
data = data.reset_index()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = data,
col = col,
target = target,
title = 'Attrition by ' + label,
yaxis = 'Frequência Absoluta',
xaxis = label,
kind = 'groups'
)
# Criando um gráfico de Densidade para a variável especificada.
utlex.plotDensity (
data = df[[col, target]],
title = 'Gráfico de Densidade Attrition by ' + col,
xaxis = label,
col = col,
target = target,
group = True
)
# Plotando um gráfico de boxplot para a variável especificada.
utlex.plotBoxplot (
data = df[[col, target]],
title = 'Boxplot Attrition by ' + col,
yaxis = label,
xaxis = target.capitalize(),
col = col,
target = target,
kind = 'groups'
)
# Calculando algumas estatísticas para a variável especificada.
utlex.varStats(col = col, data = df, target = target)
Nesta etapa, desejamos verificar como as variáveis se correlacionam, ou seja, como uma variável ajuda a prever o valor de outra variável no dataset.
# Criando uma matriz de correlação.
corr = dataTrain.corr()
# Selecionando o triângulo superior da matriz de correlação.
upper = corr.abs().where(np.triu(np.ones(corr.shape), k = 1).astype(bool))
# Capturando o nome das variáveis que apresentam uma correlação maior do que 0.95.
to_drop = [column for column in upper.columns if any(upper[column] > 0.95)]
# Exibindo o nome das variáveis altamente correlacionadas.
pd.DataFrame(data = to_drop, columns = ['Highly correlated'])
# Plotando a matriz de correlação entre as variáveis do DataFrame.
utlex.plotCorr(corr)
Detectamos a existência de 1 variável altamente correlacionada MonthlyIncome, e esta deverá ser eliminada do conjuntos de dados.
Observamos que a variável OverTime_dummy é a que apresenta a correlação mais fortes com a variável a ser prevista.
# Eliminando as variáveis altamente correlacionadas do conjunto de dados.
dataTrain = dataTrain.drop(to_drop, axis = 1)
# Capturando o nome das colunas do tipo categórico presentes no DataFrame.
categ = dataTrain.select_dtypes(['category']).columns
# Capturando a variável target do conjunto de dados.
trainTarget = dataTrain['Attrition_dummy']
# Eliminando a variável target do conjunto de dados.
trainFeatures = dataTrain.drop(labels = 'Attrition_dummy', axis = 1)
# Eliminando as variáveis categóricas do conjunto de dados de treino e de teste.
trainFeatures = trainFeatures.drop(labels = categ, axis = 1)
# Verificando as novas dimensões do DataFrame de treino.
trainFeatures.shape
# Verificando as novas dimensões do DataFrame de treino.
trainTarget.shape
# Seed para reproduzir o mesmo resultado
seed = 100
# Cria o balanceador SMOTE
smote_bal = SMOTE(random_state = seed)
# Aplica o balanceador
trainFeatures_res, trainTarget_res = smote_bal.fit_resample(trainFeatures, trainTarget)
# Shape dos dados originais
trainFeatures.shape
# Shape dos dados reamostrados
trainFeatures_res.shape
# Shape dos dados reamostrados
trainTarget_res.shape
# Convertendo Serie dados reamostrados variavel target para dataframe.
df = trainTarget_res.to_frame()
# Atribuindo labels diferentes para as categorias da variável target.
df['Attrition_dummy'] = ['Yes' if v == 1 else 'No' for v in df['Attrition_dummy']]
# Alterando a variável target para o tipo de dado categórico.
df['Attrition_dummy'] = df['Attrition_dummy'].astype('category')
# Definindo o nome da variável a ser analisada.
col = 'Attrition_dummy'
# Definindo a descrição da variável nos gráficos.
label = 'Attrition'
# Contabilizando a frequência absoluta, de cada categoria presente na variável especificada.
dataCounts = df[col].value_counts()
# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
data = dataCounts,
title = 'Frequência absoluta das categorias da Feature ' + col + ' após balanceamento de classe',
yaxis = 'Frequência Absoluta',
xaxis = label
)
# Plotando um gráfico de pizza para a variável especificada.
utlex.plotPie (
data = dataCounts,
title = 'Frequência relativa das categorias da feature ' + col + ' após balanceamento de classe'
)
Agora que nossa variável target esta balanceada podemos seguir com a divisão dos dados em treino e teste e a seleção das melhores variáveis para a modelagem preditiva.
# Divisão em Dados de Treino e Teste.
trainFeatures, testFeatures, trainTarget, testTarget = train_test_split(trainFeatures_res, trainTarget_res, test_size = 0.3, random_state = 100)
Nesta etapa, iremos aplicar diferentes transformações, nas variáveis preditoras dos conjuntos de dados de treino e de teste.
# Aplicando a transformação MinMaxScaler, as Features do conjunto de dados de treino e de teste.
trainFeaturesMM, testFeaturesMM = utlst.dataTransform (
train = trainFeatures,
test = testFeatures,
transform = 'MM'
)
# Aplicando a transformação StandardScaler, as Features do conjunto de dados de treino e de teste.
trainFeaturesSS, testFeaturesSS = utlst.dataTransform (
train = trainFeatures,
test = testFeatures,
transform = 'SS'
)
# Aplicando a transformação Yeo-Johnson, as Features do conjunto de dados de treino e de teste.
trainFeaturesNormDistribuition, testFeaturesNormDistribuition = utlst.dataTransform (
train = trainFeatures,
test = testFeatures,
transform = 'ND'
)
# Aplicando a transformação Normalize, as Features do conjunto de dados de treino e de teste.
trainFeaturesNormalized, testFeaturesNormalized = utlst.dataTransform (
train = trainFeatures,
test = testFeatures,
transform = 'N'
)
Aplicaremos diferentes técnicas de Feature Selection, para determinar qual é a melhor combinação de variáveis preditoras a ser utilizada.
Este método seleciona recursos de acordo com as k pontuações mais altas.
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM
# Instanciando um objeto da classe SelectKBest, para selecionar as melhores variáveis preditoras.
skb = SelectKBest(chi2, k = 13)
# Capturando os scores das variáveis preditoras.
bestFeatuesSKB = skb.fit_transform(tFeatures, trainTarget)
# Capturando o nome das variáveis preditoras.
bfSkb = tFeatures.columns[skb.get_support()]
# Exibindo o nome das variáveis preditoras.
bfSkb
# Criando um DataFrame, com os scores obtidos para cada uma das Features, segundo a técnica utilizada.
sc = pd.Series(skb.scores_, index = tFeatures.columns)
# Capturando os scores das variáveis preditoras.
sc = sc[skb.get_support()]
# Ordenando o Dataframe com os scores.
sc = sc.sort_values(ascending = False)
# Plotando um gráfico de barras, dos scores gerados para as features, a partir da técnica utilizada.
utlex.plotBar (
data = sc,
title = 'Scores das melhores features com o SelectKBest',
yaxis = 'Features',
xaxis = 'Scores',
orientation = 'h'
)
O Information gain ou Mutual information mede quanta informação a presença / ausência de um recurso contribui para fazer a previsão correta da variável target.
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM
# Instanciando um objeto da classe mutual_info_classif.
bestFeatuesIG = mutual_info_classif(tFeatures, trainTarget, discrete_features = 'auto', n_neighbors = 3)
# Inserindo Scores obtidos em uma Série temporal.
scoreFeatures = pd.Series(bestFeatuesIG, index = tFeatures.columns)
# Capturando os scores das variáveis preditoras em ordem decrescente.
bfIg = scoreFeatures.sort_values(ascending = False)
# Plotando um gráfico de barras, dos scores gerados para as features, a partir da técnica utilizada.
utlex.plotBar (
data = bfIg,
title = 'Scores das melhores features com o Information Gain',
yaxis = 'Features',
xaxis = 'Scores',
orientation = 'h'
)
# Capturando o nome das variáveis preditoras.
bfIg = bfIg.index
# Exibindo o nome das variáveis preditoras.
bfIg
Se os recursos forem categóricos, calcularemos uma estatística qui-quadrado entre cada recurso e a variável target. No entanto, se os recursos forem quantitativos, calcularemos a ANOVA F-Value entre cada recurso e a variável target.
As pontuações do F-Value examinam se, quando agrupamos a característica numérica pela variável target, as médias para cada grupo se tornam significativamente diferentes.
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM
# Instanciando um objeto da classe SelectKBest para selecionar as melhores variáveis preditoras a partir dos
# scores ANOVA F-Values.
skb = SelectKBest(f_classif, k = 13)
# Capturando as variáveis preditoras.
bestFeatuesANOVA = skb.fit_transform(tFeatures, trainTarget)
# Capturando o nome das variáveis preditoras.
bfAnova = tFeatures.columns[skb.get_support()]
# Exibindo o nome das variáveis preditoras.
bfAnova
# Criando uma Série Temporal com os scores obtidos para cada uma das Features segundo a técnica utilizada.
sc = pd.Series(skb.scores_, index = tFeatures.columns)
# Capturando os scores das variáveis preditoras.
sc = sc[skb.get_support()]
# Ordenando a Série Temporal em ordem decrescente dos scores.
sc = sc.sort_values(ascending = False)
# Plotando um gráfico de barras, dos scores gerados para as features, a partir da técnica utilizada.
utlex.plotBar (
data = sc,
title = 'Scores das melhores features com o ANOVA F-value',
yaxis = 'Features',
xaxis = 'Scores',
orientation = 'h'
)
O Forward Selection é um método iterativo, no qual começamos sem ter nenhum recurso no modelo. A cada iteração, adicionamos uma variável que melhora o modelo e efetuamos este procedimento até que a performance do modelo pare de evoluir.
A seleção de recursos começa avaliando todas as variáveis individualmente, e seleciona aquela que gera o algoritmo com o melhor desempenho, de acordo com um critério de avaliação predefinido. Em seguida, se avalia todas as combinações possíveis das variáveis já selecionadas e dos recursos ainda não escolhidos para definir a combinação que produz o algoritmo com a melhor performance, com base nos mesmos critérios predefinidos.
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM
# Instanciando um objeto da classe SFS para selecionar as melhores variáveis preditoras segundo sua acurácia,
# utilizando o algoritmo XGBClassifer.
sfs = SFS (
estimator = xgb.XGBClassifier(use_label_encoder=False,eval_metric='logloss'),
k_features = 13,
forward = True,
floating = False,
verbose = 2,
scoring = 'accuracy',
cv = 3
)
# Capturando as variáveis preditoras.
sfs = sfs.fit(
X = tFeatures,
y = trainTarget
)
# Capturando o nome das variáveis preditoras.
bfSfs = tFeatures.columns[list(sfs.k_feature_idx_)]
# Exibindo o nome das variáveis preditoras.
bfSfs
# Capturando os resultados obtidos pela Técnica Forward Selection.
sc = pd.DataFrame(sfs.get_metric_dict())
# Capturando os scores e o nome das Features, gerados a cada busca.
sc = sc.loc[['cv_scores', 'feature_names'], :].transpose()
# Capturando o nome das features utilizadas em cada avaliação.
featureNames = sc.feature_names
# Criando índices com o número de Features utilizadas em cada avaliação.
columns = [str(i) + ' Feature' if i == 1 else str(i) + ' Features' for i in range(1, sc.shape[0] + 1)]
# Remodelando os dados do DataFrame para serem plotados.
fs = pd.DataFrame()
for i in range(1, sc.shape[0] + 1):
# Atribui os primeiros scores ao DataFrame, caso esteja vazio.
if sc.empty:
fs = pd.DataFrame(sc['cv_scores'][i], columns = [columns[i - 1]])
else:
fs[columns[i - 1]] = sc['cv_scores'][i]
# Plotando os scores da acurácia, obtida pelas features selecionadas em cada fase de busca, segundo a técnica Forward Selection.
utlex.plotBoxplot (
data = fs,
title = 'Acurácia das melhores Features encontradas pelo técnica Forward Selection',
xaxis = 'Features selecionadas'
)
# Transpondo a Série Temporal.
fs = fs.transpose()
# Criando uma nova coluna, com os nomes das Features utilizadas, em cada avaliação no DataFrame.
fs['featuresNames'] = [', '.join(f) for f in featureNames]
# Exibindo o nome das features utilizadas em cada avaliação.
fs[['featuresNames']]
O Extremely Randomized Trees Classifier (Extra Trees Classifier) é um tipo de técnica de aprendizagem de conjunto que agrega os resultados de várias árvores de decisão descorrelacionadas coletadas em uma “floresta” para produzir seu resultado de classificação. Em conceito, é muito semelhante a um Classificador Random Forest e só difere na forma de construção das árvores de decisão na floresta.
Cada árvore de decisão na floresta de árvores extras é construída a partir da amostra de treinamento original. Então, em cada nó de teste, cada árvore é fornecida com uma amostra aleatória de k recursos do conjunto de recursos a partir do qual cada árvore de decisão deve selecionar o melhor recurso para dividir os dados com base em alguns critérios matemáticos (normalmente o índice de Gini). Essa amostra aleatória de recursos leva à criação de várias árvores de decisão não correlacionadas.
Para realizar a seleção de características usando a estrutura de floresta acima, durante a construção da floresta, para cada característica, a redução total normalizada nos critérios matemáticos usados na decisão da característica de divisão (Índice de Gini se o Índice de Gini for usado na construção de floresta) é computado. Esse valor é chamado de Importância Gini do recurso. Para realizar a seleção de recursos, cada recurso é ordenado em ordem decrescente de acordo com a Importância Gini de cada recurso e o usuário seleciona os k principais recursos de acordo com sua escolha.
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM
# Instanciando um objeto da classe ExtraTreesClassifier.
modelETC = ExtraTreesClassifier()
# Computando os scores de cada feature.
modelETC.fit (
X = tFeatures,
y = trainTarget
)
# Inserindo Scores obtidos em uma Série Temporal.
featuresImpETC = pd.Series(data = modelETC.feature_importances_, index = tFeatures.columns)
# Ordenando o nome das variáveis preditoras segundo seu score em ordem decrescente.
bfEtc = featuresImpETC.sort_values(ascending = False)
# Plotando um gráfico de barras, dos scores gerados para as features, a partir da técnica utilizada.
utlex.plotBar (
data = bfEtc,
title = 'Scores das melhores features com o Extra Trees Classifier',
yaxis = 'Features',
xaxis = 'Scores',
orientation = 'h'
)
# Capturando o nome das variáveis preditoras.
bfEtc = bfEtc.index
# Exibindo o nome das variáveis preditoras.
bfEtc
O Random Forest, é um dos algoritmos de aprendizado de máquina mais populares. É um dos mais bem-sucedidos porque fornece, em geral, um bom desempenho preditivo, baixo overfitting e é de fácil interpretabilidade.
Essa interpretabilidade é dada pela facilidade de se derivar a importância de cada variável na árvore de decisão. Em outras palavras, é fácil calcular o quanto cada variável está contribuindo para a decisão do modelo.
O Random Forest consiste em 4-12 centenas de árvores de decisão, cada uma delas construída sobre uma extração aleatória das observações do conjunto de dados e uma extração aleatória das características. Nem toda árvore vê todas as características ou todas as observações, e isso garante que as árvores sejam descorrelacionadas e, portanto, menos sujeitas a sobreajuste. Cada árvore também é uma sequência de perguntas sim-não com base em um único recurso ou em uma combinação de recursos. Em cada nó (isto é em cada questão), os três dividem o conjunto de dados em 2 depósitos, cada um deles hospedando observações que são mais semelhantes entre si e diferentes das do outro bloco. Portanto, a importância de cada recurso é derivada do quão "puro" cada um dos blocos é.
Para classificação, a medida de impureza é a impureza de Gini ou o ganho / entropia de informação. Para regressão, a medida de impureza é a variância. Portanto, ao treinar uma árvore, é possível calcular o quanto cada recurso diminui a impureza. Quanto maior for a diminuição da impureza que um recurso gerar, mais importante ele será. Em florestas aleatórias, a diminuição da impureza de cada recurso pode ser calculada em média entre as árvores para determinar a importância final da variável.
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM
# Instanciando um objeto da classe RandomForestClassifier.
rfImp = RandomForestClassifier (
n_estimators = 200,
random_state = 0
)
# Treinando o classificador com o conjunto de dados de treino.
rfImp.fit(
X = tFeatures,
y = trainTarget
)
# Prevendo os scores das features dos dados de treino.
pred = rfImp.predict(tFeatures)
# Convertendo os scores para um DataFrame.
featuresImpRf = pd.Series(data = rfImp.feature_importances_, index = tFeatures.columns)
# Capturando os scores de cada uma das features.
bfRf = featuresImpRf.nlargest(13)
# Plotando um gráfico de barras, dos scores gerados para as features, a partir da técnica utilizada.
utlex.plotBar (
data = bfRf,
title = 'Scores das melhores features com o Random Forest',
yaxis = 'Features',
xaxis = 'Scores',
orientation = 'h'
)
# Capturando o nome das variáveis preditoras.
bfRf = bfRf.index
# Exibindo o nome das variáveis preditoras.
bfRf
A Análise de componente principal (Principal Component Analysis - PCA) é uma técnica de redução de dimensionalidade linear que pode ser utilizada para extrair informações de um espaço de alta dimensão projetando-as em um subespaço de dimensão inferior. Ele tenta preservar as partes essenciais que têm mais variação dos dados e remover as partes não essenciais com menos variação. As dimensões nada mais são do que recursos que representam os dados.
Uma coisa importante a se notar sobre o PCA é que é uma técnica de redução de dimensionalidade não supervisionada. Você pode agrupar os pontos de dados semelhantes com base na correlação de recursos entre eles sem qualquer supervisão (ou rótulos).
# Aplicando a técnica PCA, para criar 10 Componentes, a partir dos dados de treino e de teste.
trainFeaturesPCA, testFeaturesPCA = utlpca.pcaTransform(train = trainFeatures, test = testFeatures)
RFE é um algoritmo de seleção de recurso do tipo wrapper. Isso significa que um algoritmo de aprendizado de máquina diferente é fornecido e usado no núcleo do método, é empacotado pelo RFE e usado para ajudar a selecionar recursos. Isso contrasta com as seleções de recursos com base em filtro que pontuam cada recurso e selecionam os recursos com a maior (ou menor) pontuação.
Tecnicamente, o RFE é um algoritmo de seleção de recursos no estilo wrapper que também usa a seleção de recursos com base em filtro internamente.
O RFE funciona procurando por um subconjunto de recursos começando com todos os recursos no conjunto de dados de treinamento e removendo com sucesso os recursos até que o número desejado permaneça.
Isso é obtido ajustando-se o algoritmo de aprendizado de máquina usado no núcleo do modelo, classificando os recursos por importância, descartando os recursos menos importantes e reajustando o modelo. Este processo é repetido até que um determinado número de recursos permaneça.
Os recursos são pontuados usando o modelo de aprendizado de máquina fornecido ou usando um método estatístico.
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM
# Instanciando um objeto da classe RFE para selecionar as melhores variáveis preditoras, utilizando o algoritmo XGBClassifer.
rfe = RFE (
estimator = xgb.XGBClassifier(use_label_encoder=False,eval_metric='logloss'),
n_features_to_select = 13
)
# Capturando as melhores variáveis preditoras.
rfeFit = rfe.fit (
X = tFeatures,
y = trainTarget
)
# Capturando o nome das variáveis preditoras.
bfRfe = tFeatures.columns[rfeFit.support_]
# Exibindo o nome das variáveis preditoras.
bfRfe
Iremos criar modelos preditivos, com diferentes algoritmos, e com as Features em diferentes escalas. Também criaremos classificadores utilizando a técnica PCA. Por fim, selecionaremos os modelos que obtiveram as maiores acurácias.
# Treinando classificadores, a partir dos componentes criados pela técnica PCA.
resultsPCA = utlml.classifiersTraining (
features = trainFeaturesPCA,
tTarget = trainTarget
)
# Plotando os scores, da acurácia dos classificadores treinados, em boxplots.
utlex.plotBoxplot(data = resultsPCA[0])
O algoritmo Random Forest, foi o que obteve a melhor acurácia, para o conjunto de componentes do PCA.
# Treinando classificadores, a partir da escala, e da técnica de Feature Selection utilizada.
resultsMM = utlml.classifiersTraining (
features = trainFeaturesMM,
tTarget = trainTarget
)
# Plotando os scores, da acurácia dos classificadores treinados, em boxplots.
utlex.plotBoxplot(data = resultsMM[0])
O algoritmo XGBoost, foi o que obteve a melhor acurácia, para o conjunto dados transformados pelo algoritmo MinMaxScaler.
# Treinando classificadores, a partir da escala, e da técnica de Feature Selection utilizada.
resultsSS = utlml.classifiersTraining (
features = trainFeaturesSS,
tTarget = trainTarget
)
# Plotando os scores, da acurácia dos classificadores treinados, em boxplots.
utlex.plotBoxplot(data = resultsSS[0])
O algoritmo XGBoost, foi o que obteve a melhor acurácia, para o conjunto dados transformados pelo algoritmo StandardScaler.
# Treinando classificadores, a partir da escala, e da técnica de Feature Selection utilizada.
resultsND = utlml.classifiersTraining (
features = trainFeaturesNormDistribuition,
tTarget = trainTarget
)
# Plotando os scores, da acurácia dos classificadores treinados, em boxplots.
utlex.plotBoxplot(data = resultsND[0])
O algoritmo XGBoost, foi o que obteve a melhor acurácia, para o conjunto dados transformados pelo algoritmo Box-Cox.
# Treinando classificadores, a partir da escala, e da técnica de Feature Selection utilizada.
resultsNorm = utlml.classifiersTraining (
features = trainFeaturesNormalized,
tTarget = trainTarget
)
# Plotando os scores, da acurácia dos classificadores treinados, em boxplots.
utlex.plotBoxplot(data = resultsNorm[0])
O algoritmo XGBoost, foi o que obteve a melhor acurácia, para o conjunto dados transformados pelo algoritmo Normalize.
Agora que já testamos diferentes algoritmos com diversas escalas, iremos escolher os melhores modelos criados e otimizar seus parâmetros.
Iremos buscar pelos melhores parâmetros, para criar um modelo com o algoritmo Random Forest.
# Definindo qual conjunto de dados de treino, já escalado, deve ser utilizado e a sua variável target.
trainX = trainFeaturesNormDistribuition
trainY = trainTarget
# Definindo qual conjunto de dados de teste, já escalado, deve ser utilizado e a sua variável target.
testX = testFeaturesNormDistribuition
testY = testTarget
# Definindo os valores que devem ser testados, em cada um dos parâmetros do modelo especificado.
paramGrid = dict (
n_estimators = [105, 110, 120, 130],
max_depth = [None, 2, 4, 6],
max_features = ['auto', 'sqrt', 'log2'],
min_samples_split = [2, 5],
min_samples_leaf = [1, 2, 5]
)
# Criando uma instância da classe do modelo Random Forest.
model = RandomForestClassifier()
# Criando o grid, para fazer a busca dos melhores parâmetros para o modelo.
grid = GridSearchCV(estimator = model, param_grid = paramGrid, cv = 10, verbose = True, n_jobs = -1)
# Buscando pelos melhores parâmetros para o modelo.
grid.fit(trainX, trainY)
# Exibindo a configuração, do melhor modelo treinado.
print("\n" + "Melhores Parâmetros para o Modelo:" + "\n\n", grid.best_estimator_)
# Criando o modelo, com a melhor configuração encontrada.
classifierRF = grid.best_estimator_
# Treinando o modelo com os dados de treino.
classifierRF.fit(X = trainX, y = trainY)
# Calculando a acurácia do modelo para o conjunto de dados de treino.
scoreTrainRF = accuracy_score(trainY, classifierRF.predict(trainX))
# Visualizando o resultado.
print('Acurácia para os dados de treino: ' + str(scoreTrainRF))
# Calculando a acurácia do modelo para o conjunto de dados de teste.
scoreTestRF = accuracy_score(testY, classifierRF.predict(testX))
# Visualizando o resultado.
print('Acurácia para os dados de teste: ' + str(scoreTestRF))
Iremos buscar pelos melhores parâmetros, para criar um modelo com algoritmo Xgboost.
# Definindo qual conjunto de dados de treino, já escalado, deve ser utilizado e a sua variável target.
trainX = trainFeaturesNormDistribuition
trainY = trainTarget
# Definindo qual conjunto de dados de teste, já escalado, deve ser utilizado e a sua variável target.
testX = testFeaturesNormDistribuition
testY = testTarget
# Definindo os valores que devem ser testados, em cada um dos parâmetros do modelo especificado.
paramGrid = dict (
missing = [np.nan],
booster = ['gbtree', 'gblinear'],
n_estimators = [100, 150, 200,250, 300],
learning_rate = [0.025, 0.03],
nthread = [4],
seed = [100]
)
# Criando uma instância da classe do modelo Xgboost.
model = xgb.XGBClassifier(use_label_encoder=False,eval_metric='logloss')
# Criando o grid, para fazer a busca dos melhores parâmetros para o modelo.
grid = GridSearchCV(estimator = model, param_grid = paramGrid, cv = 10, verbose = True, n_jobs = -1)
# Buscando pelos melhores parâmetros para o modelo.
grid.fit(trainX, trainY)
# Exibindo a configuração, do melhor modelo treinado.
print("\n" + "Melhores Parâmetros para o Modelo:" + "\n\n", grid.best_estimator_)
# Criando o modelo, com a melhor configuração encontrada.
classifierXGB = grid.best_estimator_
# Treinando o modelo com os dados de treino.
classifierXGB.fit(X = trainX, y = trainY)
# Calculando a acurácia do modelo para o conjunto de dados de treino.
scoreTrainXGB = accuracy_score(trainY, classifierXGB.predict(trainX))
# Visualizando o resultado.
print('Acurácia para os dados de treino: ' + str(scoreTrainXGB))
# Calculando a acurácia do modelo para o conjunto de dados de teste.
scoreTestXGB = accuracy_score(testY, classifierXGB.predict(testX))
# Visualizando o resultado.
print('Acurácia para os dados de teste: ' + str(scoreTestXGB))
O melhor classificador treinado, utiliza o algoritmo Xgboost com as features em distribuição normal. Salvaremos as configurações desse modelo em um arquivo .sav.
# Salvando o modelo preditivo especificado.
utlml.saveModel(name = 'classifierXGB', model = classifierXGB)
# Carregando o modelo preditivo especificado.
classifierXGB = utlml.loadModel(name = 'classifierXGB')
Para analisar melhor a performance do modelo, precisamos determinar os valores das probabilidades geradas nas previsões.
# Definindo qual conjunto de dados de treino, já escalado, deve ser utilizado e a sua variável target.
trainX = trainFeaturesNormDistribuition
testX = testFeaturesNormDistribuition
# Realizando as predições das probabilidades, dos dados de treino e teste, para o modelo selecionado.
predTrainProb = classifierXGB.predict_proba(trainX)[:,1]
predTestProb = classifierXGB.predict_proba(testX)[:,1]
Iremos binarizar as previsões, e os valores a serem previstos, dos conjuntos de dados de treino e teste.
# Definindo as classes positiva e negativa da variável target.
labelPositive = 'Yes'
labelNegative = 'No'
# Criando uma lista com as categorias das classes.
labels = [labelPositive, labelNegative]
# Convertendo dados da variável target, dos dados de treino, para utilizar as labels especificadas.
trainTargetLabels = [labelPositive if t == 1 else labelNegative for t in trainTarget]
trainPredLabels = [labelPositive if t >= 0.5 else labelNegative for t in predTrainProb]
# Convertendo dados da variável target, dos dados de teste, para utilizar as labels especificadas.
testTargetLabels = [labelPositive if t == 1 else labelNegative for t in testTarget]
testPredLabels = [labelPositive if t >= 0.5 else labelNegative for t in predTestProb]
# Criando uma Confusion Matrix para avaliar as previsões feitas para os dados de treino.
cm = utlml.confusionMatrix(yTrue = trainTargetLabels, yPred = trainPredLabels)
# Exibindo a Confusion Matrix.
cm
Observamos a ocorrência de 1 falso negativo para o conjunto de dados de treino.
# Criando uma Confusion Matrix para avaliar as previsões feitas para os dados de teste.
cm = utlml.confusionMatrix(yTrue = testTargetLabels, yPred = testPredLabels)
# Exibindo a Confusion Matrix.
cm
Nos dados de teste, constatamos a ocorrência de falsos positivos, mas a proporção de falsos negativos é predominante.
# Plotando a Confusion Matrix dos dados de teste em um gráfico.
utlml.plotConfusionMatrix (
data = cm.drop(labels= 'classError', axis = 1),
labels = labels
)
Vamos calcular algumas estatísticas, baseadas nos resultados gerados pelo modelo, para os dados de teste.
# Calculando os scores de diferentes métricas, com base nas previsões geradas pelo modelo, para os dados de teste.
utlml.getClassificationMetrics(yTrue = testTargetLabels, predProb = predTestProb)
Finalizamos esta análise, concluindo que o algoritmo Xgboost, gerou o modelo com a melhor acurácia. Os scores alcançados para os conjuntos de dados foram:
Caso tenha alguma dúvida ou sugestão, entre em contato.